社会是由成千上万的个体组成，没有一个个体是完全相同的。
有人喜欢篮球，有人喜欢读书。有人愿意花1万元买名牌包包，有人买菜要对比好多个菜市场。为什么同样的一件事不同的人会产生巨大的差异？本质上还是认知的不同。
而在日常的数据分析中，不同类型的用户也会产生截然不同的使用习惯，从而在数据指标产生较大出入。仅仅从宏观的数据监测体系例如活跃、留存等指标出发，很难在产品和运营的实际业务中给予到有价值的线索。而用户分群往往能够让业务人员从群体的角度看到各自数据上的差异，以便将产品及运营手段做到更加精细化，满足不同的用户需求。本文将从基础的数据分析角度——用户分群，详细展开具体落地方法。
一：用户特征分群
用户特征分群往往是用户分群的首要环节，特征分群是否合理会直接影响到数据观测的准确与未来策略落地的有效性。
在真实的应用场景中，大多数是根据业务需求和老板的问题进行特征分群。
比方说在做一些首页的改动时，会分区分新用户、老用户进行观测，以寻找功能改动对不同用户造成的实际影响；
分析某些功能使用情况时会区分付费用户和免费用户；
在提高活跃时，要根据类似RFM、Kmeans等模型进行用户活跃层级的分群，分出诸如高中低、流失用户。
下图以流失用户分群为例子，解释下如何做分群处理
用户流失时长和用户回访是呈反比的，一个用户登录后距离下一次登录的时间 间隔越大，其再次访问的概率也就越低。因此寻找合适的流失拐点是流失人群与常规人群的关键。
下图以周为单位做简单示例
图中曲线满足：
上述公式为经济学中著名的拐点理论：【X轴上数值的增加会带来Y轴数值大幅增益（减益），直到超过某个点后，当X增加时Y的数据增益（减益）大幅下降】，由图可知，在第五周以后用户回访率开始无限趋近于0，可以将第五周作为流失用户拐点。划分为流失与常规用户两类。
当根据业务实际问题完成用户的分群以后，就可以对用户进行定性或者定量研究，包括他们的行为特征、用户偏好等等。
二，用户画像分群
用户画像分群主要解答的问题是：用户是谁？
通常情况是可以针对大盘用户数据采集或者调研问卷回收数据得到用户详细的属性信息。具体的一般会有手机系统、手机型号、性别、职业、年龄、地理信息、学历水平、收入水平等等。
详细的用户画像分群有助于我们根据不同用户的实际环境和能力去定位具体问题，也可以辅助商业化团做出精准的广告的决策。
三：用户分群+用户行为组合分析
通过用户分群能够让我们决策初期将不同用户拆分开来，以在未来的方案制定时的精细。但往往分群之后要跟着大量的组合使用才能寻找出更多的增长线索。
不同的用户在面向不同的功能或者入口时会发生不同的反应。实际场景中我们通常是为了获知不同群体下对某一功能的用户行为差异，从而试图寻找到产品改进的建议和策略。
常见的观测指标包括点击、购买，或者完成某一动作。在实际业务中会出现类似如下场景：
A渠道的用户购买率高于B渠道，证明A渠道的用户质量更高；
A群用户使用C功能后相比B群用户使用C功能留存更高，证明当前产品设计对C群用户存在体验不友好的地方；
某次热点后用户A群的活跃明显上升，证明该群用户对本次热点喜好程度较高。
当然在做相关的组合分析时，我们一定要先行排列出我们觉得可能存在问题的入口或功能。否则大量的数据将会耗费我们很多宝贵的时间。
四.总结
本文1、2介绍了常见的用户分群方法，以及通过第三段简单说明了组合使用的场景。用户分群无论在产品任意一个阶段以及我们试图通过数据手段解决任意问题都是必不可少的环节和工作方法。通过对用户群体的划分将是我们数据驱动业务增长的第一道关卡，也是寻找正确方向的第一条线索。
